1 gün önce
6
Yapay zeka dünyası, kendine özgü karmaşık tek terminolojiyle şekilleniyor. Bu alanda çalışan ilim insanları ve mühendisler, geliştirdikleri teknolojileri açıklamak için sıklıkla teknikleri jargona başvuruyor. İşte yapay zeka endüstrisini manaanızı basitlaştıracak içeriklı tek terimler sözlüğü.
1. AGI (Yapay Genel Zeka)
Yapay Genel Zekâ (AGI), insanoğlu benzeri bilişsel yeteneklere malik sistemleri tanımlamak için kullanılan bununla birlikte sınırları hepsi çizgilerle belirlenemeyen tek kavramdır. Alanın önde gelen isimleri ve kurumları, AGI’yi farklı perspektiflerden ele alır. Sam Altman, bu kavramı tek iş ortamında görev alabilecek vasat tek insanoğlu düzeyinde ytesirnliğe malik sistemler olarak tanımlarken; OpenAI, AGI’yi ekonomik değeri yüksek işlerin büyük bölümünde insanoğlu performansını aşabilen yüksek derecede otonom yapılar şeklinde ifadeleri eder. Google DeepMind ise tanımını, çoğu bilişsel görevde asgari insanlar kadar ytesirn yapay zekâ sistemleri üzerine kurar.
Bu farklı yaklaşımlar, AGI’nin henüz üzerinde uzlaşı sağlanmış netler tek çerçeveye malik olmadığını gösterir. Kavrama ilişkin bu belirsizlik, yalnızca kamuoyunda değil, yapay zekâ araştırmalarının merkezinde mekan saha uzmanlar arasında da görüş ayrılıklarına nedenler olabiliyor.
2. Yapay Zeka Ajanı
Yapay zekâ ajanı, ilköğretim tek konuşma botunun ötesine geçerek kullanıcı adına birden fazla adımı içeren görevleri seçenek getirebilen sistemleri ifadeleri eder. Bu tür araçlar; harcama kayıtlarını oluşturma, biletleri ya da ayırtma işlemlerini tamamlama, bile yazılım geliştirme süreçlerine katkı sağlama gibi daha karmaşık işleri üstlenebilir.
Ancak “AI agent” kavramı henüz kesinlikle standartlaşmış tek tanıma malik değildir. Alanın hızlı gelişimi dolayı farklı platformlar ve geliştiriciler bu terimi farklı içeriklarda kullanabilir. Ayrıca bu sistemlerin vaat edilen yeteneklere hepsi manaıyla ulaşabilmesi için lüzumli teknikleri altyapı hâlâ gelişim sürecindedir.
Genel çerçevede yapay zekâ ajanı, birden fazla yapay zekâ modelinden yararlanarak çok adımlı görevleri otonom şekilde gerçekleştirebilen tek yapı olarak tanımlanır. Bu sistemler, yalnızca komutlara yanıt sunmakle kalmaz; aynı zamanda süreçleri planlayabilir, adımları organize eden edebilir ve kesin tek hedefleri doğrultusunda bağımsız hükümlar alabilir.
3. Zincirleme Düşünce (Chain of Thought)
İnsan zihni, basit suallara çoğu zamanlar doğrudan ve hızlı şekilde yanıt verebilir. Örneğin “zürafa mı daha uzun, kedi mi?” gibi suallar ilave tek düşünme süreci lüzumtirmez. Ancak daha karmaşık sualnlerde doğru sonuca ulaşmak için ara adımların açıkça ortaya konması lüzumir. Örneğin tek çiftlikte toplamı 40 baş ve 120 ayak varsa, piliç ve sığır sayısını belirleme etmek için genelleme tek denklem kurdu lüzumir.
Yapay zekâ bağlamında adım adım akıl yürütme (chain-of-thought), büyük diller modellerinin tek sualni daha küçük ve yönetilebilir parçalara bölerek çözmesini ifadeleri eder. Bu yaklaşımda model, doğrudan sonuca atlamak seçenek ara adımları sistematik biçimde değerlendirir. Süreç genelleme daha uzunluğu sürse de, özellikle mantık ve programlama gibi doğruluk lüzumtiren alanlarda daha güvenilir sonuçlar elde edilmesini sağlar.
Bu tür akıl yürütme yetenekleri, gelenekselliği büyük diller modellerinin geliştirilmiş versiyonları üzerinden inşa edilir. Modeller, pekiştirmeli öğrenme gibi yöntemlerle adım adım düşünme süreçlerine uyum sağlayacak şekilde optimize edilir. Böylece yalnızca yanıt üretmekle kalmayan, aynı zamanda bu yanıtın arkasındaki mantığı yapılandırabilen sistemler ortaya çıkar.
4. Hesaplama Gücü (Compute)
“Compute” kavramı, yapay zekâ sistemlerinin çalışmasını mümkün kılan ilköğretim işlem gücünü ifadeleri eder. Bu güç, modellerin eğitilmesi ve çalıştırılması için lüzumen yoğun hesaplama süreçlerini yardımler ve yapay zekâ ekosisteminin en eleştirel bileşenlerinden arasında biri olarak giriş edilir.
Terim, çoğu zamanlar bu işlem gücünü sağlayan donanımları tanımlamak için da kullanılır. Grafik işlem birimleri (GPU), orta işlem birimleri (CPU), tensör işlem birimleri (TPU) ve benzeri altyapılar, modern yapay zekâ sistemlerinin temelini oluşturur. Bu donanımlar sayesinde büyük bilgi setleri işlenebilir, karmaşık modeller eğitilebilir ve yüksek performanslı uygulamalar geliştirilebilir. Kısacası compute, yapay zekânın teorik tek düşünce bulunmaktan çıkıp pratikte uygulanabilir hale gelmesini sağlayan altyapı gücünü temsilcilik eder.
5. Derin Öğrenme (Deep Learning)
Derin öğrenme, alet öğreniminin öz kendini geliştirebilen dip alanlarından arasında biri olup çok katmanlı yapay asap ağları (ANN) üzerine kuruludur. Bu çok katmanlı yapı sayesinde, doğrusal modeller ya da şart ağaçları gibi daha basit yöntemlere kıyasla çok daha karmaşık ilişkileri çözümleme edebilir. Derin öğrenme algoritmalarının mimarisi, insanoğlu beynindeki nöronlar arasındaki bağlantı yapısından esinlenir.
Bu yaklaşımın en önemli özelliklerinden biri, verilerdeki manalı özellikleri insanoğlu müdahalesi olmadan belirleme edebilmesidir. Geleneksel yöntemlerde mühendislerin belirlemesi lüzumen değişkenler, yoğun öğrenme modelleri tarafından otomatik olarak öğrenilir. Ayrıca bu sistemler, yanlışlardan öğrenme yeteneğine sahiptir. Tekrarlayan eğitim süreçleri ve sürekli ayarlamalar sayesinde modeller performansı zamanla iyileştirilir.
Bununla birlikteki yoğun öğrenme yüksek miktarda bilgi lüzumtirir. Etkili sonuçlar elde edevakıf oldu için genelleme milyonlarca bilgi noktasıyla çalışılması lüzumir. Eğitim süreçleri da daha uzunluğu sürdüğü için, bu tür sistemlerin geliştirilmesi hem zamanlar hem da bedel açısından daha yüksek imkan lüzumtirir.
👉️ İlginizi Çekebilir: IIS SMTP Relay ile Azure Communication Services Entegrasyonu
6. Difüzyon (Diffusion)
Difüzyon, günümüzde görsel, müzik ve metinleri üreten birçok yapay zekâ modelinin temelinde mekan saha tek teknolojidir. Bu yaklaşım, fizik bilimlerinden esinlenir ve verinin yapısını kademeli olarak bozma prensibine dayanır. Örneğin tek görsel ya da sesli verisi, üzerine rastgele gürültü eklenerek adım adım manaını yitirir ve nihayetinde tamamlanmış rastgele tek yapıya dönüşür.
Fizikte difüzyon süreci tekbaşına yönlüdür ve geri döndürülemez. Örneğin kahveye karışan şekerin önceki küp formuna dönmesi mümkün değildir. Ancak yapay zekâdaki difüzyon modelleri bu süreci tersine çevirmeyi hedefler. Model, gürültüye dönüşmüş veriyi çözümleme ederek özgün yapıyı yeniden oluşturmayı öğrenir.
Bu “ters difüzyon” süreci sayesinde model, tamamlanmış rastgele görünen veriden manalı içerikler üretebilir. Sonuç olarak difüzyon modelleri, sıfıra yakın malumatden başlayarak yüksek kaliteli görseller, metinler ya da sesler oluşturabilen güçlü üretken yapay zekâ sistemlerinin temelini oluşturur.
7. Damıtma (Distillation)
Distillation, büyük ve karmaşık tek yapay zekâ modelinden elde edilen malumatlerin daha küçük tek modele aktarılmasını sağlayan tek öğrenme tekniğidir. Bu yaklaşım genelleme “öğretmen-öğrenci” (teacher-student) modeli üzerinden işler. Geliştiriciler, güçlü olan öğretmen modele çeşitli girdiler gönderir ve üretilen çıktıları kaydeder. Bu çıktılar, doğruluk açısından bilgi setleriyle karşılaştırılarak değerlendirilir ve ardından öğrenci modeli eğitmek için kullanılır. Amaç, daha küçük modelin öğretmen modelin davranışını mümkün olduğunca yakalayabilmesidir.
Bu yöntem sayesinde, büyük modellerin sunduğu performansa yakın sonuçlar üretebilen bununla birlikte dahaaz imkan tüketen, daha hızlı ve tesirli sistemler geliştirilebilir. Düşük distillation kaybı ile oluşturulan bu modeller, hem bedel hem da hız açısından önemli avantajlar sağlar. Daha optimize edilmiş bazı modeller sürümlerinin bu teknikle geliştirildiği bilinir.
Distillation, yapay zekâ şirketleri tarafından yaygın biçimde kullanılan tek yöntemdir. Ancak bu tekniğin, rakip modellere ait çıktılar üzerinden uygulanması genelleme servis şartlarını ihlal eden eder. Bu nedenle distillation süreçleri çoğunlukla şirketlerin öz geliştirdiği modeller ve bilgi kaynaklarıyla sınırlandırılır.
8. İnce Ayar (Fine-Tuning)
Fine-Tuning, tek yapay zekâ modelinin kesin tek görev ya da saha için daha yüksek icra gösterecek şekilde yeniden eğitilmesini ifadeleri eder. Bu süreçte model, yaygınlaşan eğitim aşamasının ardından daha kısıtlı içeriklı ve uzmanlaşmış bilgi setleriyle beslenir. Amaç, modelin kesin tek kullanım senaryosunda daha doğru, tutarlı ve tesirli sonuçlar üretmesini sağlamaktır.
Günümüzde birçok yapay zekâ girişimi, büyük diller modellerini ilköğretim alarak ürün geliştirir. Ancak bu modelleri doğrudan istimal etmek yerine, hedeflenen sektör ya da sualne elverişli hale getirmek için fine-tuning sürecinden geçirir. Şirketler, öz alanlarına özgü bilgi ve malumat birikimini modele entegre ederek daha özelleşmiş çözümler üretmeye çalışır.
Bu yaklaşım sayesinde yaygınlaşan amaçlı tek model, örneğin sağlık, maliye ya da hukuk gibi spesifik alanlarda daha derinlemesine ve bağlama elverişli çıktılar verebilir. Fine-Tuning, yapay zekâ sistemlerinin gerçek dünya uygulamalarında daha tesirli hale gelmesini sağlayan ilköğretim yöntemlerden arasında biri olarak öne çıkar.
9. GAN (Üretken Çekişmeli Ağ)
GAN, diğer Üretici Çekişmeli Ağ, özellikle gerçekçi bilgi üretimi başlıksunda yapay zekâ alanında önemli ilerlemelere temel hazırlayan tek alet öğrenimi yaklaşımıdır. Bu yapı; görseller, videolar ve yoğun sahte (deepfake) içerikler gibi yüksek gerçekçilik lüzumtiren üretimlerde sıkça kullanılır.
GAN mimarisi ikisi ayrı yapay asap ağından oluşur. Bunlardan ilki “üretici” (generator) olarak adlandırılır ve eğitim verilerinden öğrendiklerini kullanarak yepyeni içerikler üretir. İkinci ağ ise “ayırt edici” (discriminator) rolünü üstlenir ve üretilen içeriğin gerçek mi yoksa yapay mı olduğunu değerlendiren tek sınıflandırıcı gibi çalışır. Üreticinin çıktıları sürekli olarak bu sonuncu modele gönderilir ve değerlendirilir.
Bu sistem, rekabete dayalı tek yapı üzerine kuruludur. Üretici model, çıktılarının ayırt edici tarafından gerçek olarak giriş edilmesini sağlamaya çalışırken; ayırt edici modeller ise yapay içerikleri belirleme etmeye odaklanır. Bu karşılıklı rekabet, zamanlar içinde her arasında biri ikisi modelin da gelişmesini sağlar ve sonuçta daha gerçekçi içeriklerin üretilmesine imkân tanır.
GAN’ler genelleme kesin ve kısıtlı içeriklı kullanım alanlarında yüksek başarı gösterir. Özellikle gerçekçi görsel ve video üretimi gibi görevlerde tesirli olan bu yaklaşım, yaygınlaşan amaçlı yapay zekâ sistemlerinden ziyade spesifik üretim senaryolarında öne çıkar.
👉️ İlginizi Çekebilir: Meta AI Nedir? Diğer Yapay Zeka Uygulamalarından Farkı
10. Halüsinasyon (Hallucination)
Halüsinasyon, yapay zekâ modellerinin gerçekte doğru olmayan malumatleri üretmesi durumunu tanımlamak için kullanılan tek terimdir. Bu durum, modelin tamamlanmış uydurma ya da yanlışlı içerikler oluşturması manaına hasılat ve yapay zekâ çıktılarının güvenilirliği açısından önemli tek sualn olarak giriş edilir.
Halüsinasyonlar, özellikle üretken yapay zekâ sistemlerinde yanıltıcı sonuçlara yolda açabilir ve bazı durumlarda gerçek dünyada riskler oluşturabilecek sonuçlar doğurabilir. Örneğin, sağlıkla ilgili tek sualya verilen yanlış tek öneri vahim sonuçlara nedenler olabilir. Bu nedenle birçok yapay zekâ hizmeti, kullanıcıları üretilen malumatleri doğrulamaları başlıksunda uyarmaktadır. Ancak bu uyarılar çoğu zaman, sunulan içerik kadar ilgi çekici olmayabilir.
Bu sualnun ilköğretim nedenlerinden biri, modelin eğitim verilerindeki eksikliklerdir. Genel amaçlı yapay zekâ modelleri, çok geniş tek malumat alanını içerikak güçunda olduğu için tüm suallara eksiksiz ve doğru yanıt verecek veriyle eğitilmeleri pratikte mümkün değildir. Bu da bazı durumlarda modelin boşlukları öngörü yoluyla doldurmasına nedenler olur.
Halüsinasyon sualnini eksiltmek için sektörde daha kısıtlı içeriklı ve uzmanlaşmış yapay zekâ modellerine yönelim artmaktadır. Belirli alanlara odaklanan bu sistemler, daha sınırlı bununla birlikte daha yoğun malumatyle eğitildiği için yanlış malumat üretme riskini azaltmayı hedefler.
11. Çıkarım (Inference)
Inference, tek yapay zekâ modelinin çalıştırılarak öngörüler üretmesi ya da şimdiki verilerden sonuçlar çıkarması sürecini ifadeleri eder. Bu aşama, modelin eğitim sürecinde öğrendiği kalıpları kullanarak yepyeni girdiler üzerinde manalı çıktılar üretmesini sağlar. Dolayısıyla çıkarım süreci, bununla birlikte modelin önceden eğitilmiş olmasıyla mümkün hale gelir.
Farklı donanım türleri çıkarım işlemini gerçekleştirebilir. Akıllı telefonları işlemcilerinden yüksek performanslı GPU’lara ve özel tasarlanmış yapay zekâ hızlandırıcılarına kadar geniş tek donanım yelpazesi bu süreci yardımler. Ancak her arasında biri donanım aynı performansı sunmaz. Özellikle büyük ve karmaşık modeller, düşük güçlü cihazlarda oldukça yavaş çalışabilirken, güçlü gökyüzü altyapıları ve gelişmiş çipler üzerinde çok daha hızlı sonuç üretebilir. Kısacası inference, eğitilmiş tek modelin gerçek dünyada kullanılmasını sağlayan aşamadır ve performansı büyük ölçüde kullanılan donanımın kapasitesine bağlıdır.
12. Büyük Dil Modeli (LLM)
Büyük diller modelleri (LLM), günümüzde yaygın olarak kullanılan yapay zekâ asistanlarının temelini oluşturan sistemlerdir. ChatGPT, Claude, Gemini, Llama, Microsoft Copilot ve Le Chat gibi araçlar, kullanıcılarla tesirleşim kurarken bu modelleri kullanır. Bir yapay zekâ ile konuşma ettiğinizde, aslında arka planda çalışan büyük tek diller modeli sizin girdinizi çözümleme eder ve yanıt üretir. Bu süreç, lüzumtiğinde web tarayıcıları ya da şifre yorumlayıcıları gibi ilave araçlarla yardımlenebilir.
LLM’ler ile yapay zekâ asistanları aynı şey değildir. Örneğin GPT, OpenAI’nin geliştirdiği diller modelinin adıdır; ChatGPT ise bu modeli kullanan kullanıcı odaklı üründür. Bu modeller, milyarlarca sayısal parametreden (ağırlık) oluşan yoğun asap ağlarıdır. Kelimeler ve ifadeler arasındaki ilişkileri öğrenerek dili çok boyutlu tek yapı olarak temsilcilik ederler. Bu sayede yalnızca kelimeleri değil, bağlamı ve mana ilişkilerini da kavrayabilirler.
LLM’ler, milyarlarca kitap, yazısı ve metinleri kaynağından elde edilen veriler üzerinden eğitilir. Kullanıcı tek komut verdiğinde model, bu emir en elverişli olası kelimeler dizisini oluşturur. Her adımda tek sonrakiler en olası kelimeyi öngörü ederek metni kademeli şekilde üretir. Bu süreç ardışık biçimde devam eder ve ortaya akıcı tek yanıt çıkar.
13. Bellek Önbelleği (Memory Cache)
Memory cache, yapay zekâ modellerinin çıkarım (inference) sürecini hızlandırmak ve daha tesirli hale getirmek için kullanılan önemli tek optimizasyon tekniğidir. Temel amacı, modelin tekrar eden hesaplamaları yeniden etmek seçenek önceden yapılan işlemleri saklayarak işlem yükünü eksiltmektır. Çünkü her arasında biri yepyeni hesaplama, ilave zamanlar ve güç tüketimi manaına gelir.
Önbellekleme sayesinde kesin ara sonuçlar kaydedilir ve benzer sorgular ya da işlemler sırasında yeniden kullanılabilir. Bu yaklaşım, modelin daha hızlı yanıt üretmesini sağlarken aynı zamanda sistemleri kaynaklarının daha tesirli kullanılmasına katkıda bulunur.
Farklı önbellekleme yöntemleri bulunmakla birlikte, en yaygın olanlardan arasında biri anahtar-değer (key-value, KV) önbelleklemedir. Özellikle transformer tabanlı modellerde kullanılan bu yöntem, modelin önceki hesaplamalardan elde ettiği malumatleri saklayarak sonrakiler adımlarda tekrar hesaplama ihtiyacını ortadan kaldırır. Böylece hem işlem süresi kısalır hem da yanıt üretim süreci belirgin şekilde hızlanır.
👉️ İlginizi Çekebilir: Google AI Mode Nedir? Özellikleri Nelerdir?
14. Yapay Sinir Ağı (Neural Network)
Yapay asap ağları, yoğun öğrenmenin temelini oluşturan ve günümüzde üretken yapay zekâ sistemlerinin yükselişinde eleştirel görev oynayan çok katmanlı algoritmik yapılardır. Bu ağlar, veriler arasındaki karmaşık ilişkileri öğrenerek modelin manalı ve doğru çıktılar üretmesini sağlar.
Bu yaklaşımın kökeni, insanoğlu beynindeki nöronlar arasındaki yoğun bağlantı yapısından ilham alınmasına dayanır. İlk teorik çalışmalar 1940’lı yıllara kadar uzansa da, yapay asap ağlarının gerçek potansiyeli bununla birlikte oğullar yıllarda ortaya çıkmıştır. Bu gelişimde en büyük pay, özellikle protesto endüstrisinin tesirsiyle yaygınlaşan grafik işlem birimlerine (GPU) aittir. GPU’lar, çok katmanlı ve büyük ölçekli modellerin eğitilmesini mümkün kılarak asap ağlarının performansını önemli ölçüde artırmıştır.
Bu teknolojik terakki sayesinde yapay asap ağları; sesli tanıma, otonom sistemler ve ilaç keşfi gibi birçok alanda yüksek başarı elde etmiştir. Günümüzde modern yapay zekâ uygulamalarının büyük bölümü, bu çok katmanlı öğrenme yapıları üzerine inşa edilmektedir.
15. RAMageddon
RAMageddon, teknolojiler sektöründe gittikçe belirginleşen küresel hafıza (RAM) kıtlığını tanımlamak için kullanılan yepyeni tek kavramdır. Günlük hayatta kullanılan hemen her arasında biri teknolojik ürünün ilköğretim bileşenlerinden arasında biri olan RAM’e yönelik talep, özellikle yapay zekâ sektöründeki hızlı büyümeyle birlikteki vahim ölçüde arttı. Büyük teknolojiler şirketleri ve yapay zekâ laboratuvarları, bilgi merkezlerini güçlendirmek için yüksek miktarda hafıza satın aldıkça arz daralmasına nedenler olarak fiyatların yükselmesine yolda açıyor.
Bu tedarikleri sıkıntısı yalnızca yapay zekâ alanıyla sınırlı kalmıyor. Oyun sektöründe konsol üreticileri bedel artışları dolayı bedel güncellemelerine gitti güçunda kalırken, tüketici elektroniği tarafında akıllı telefonları üretiminde düşüş riski gündeme geliyor. Kurumsal bilişim altyapıları da benzer şekilde yeterlilik donanıma erişmekte güçlanıyor. Bellek fiyatlarındaki artışın, arz-talep dengesinin yeniden kurulmasına kadar devam etmesi bekleniyor. Ancak şimdiki koşullar, bu dengenin kısa vadede sağlanmasının güçleri olduğunu gösteriyor.
16. Eğitim (Training)
Makine öğrenimi temelli yapay zekâ sistemlerinin geliştirilmesinde en eleştirel aşamalardan arasında biri eğitim sürecidir. Bu süreçte modele bilgi sağlanır ve model, bu verilerdeki örüntüleri öğrenerek manalı çıktılar üretmeyi öğrenir. Basit tek ifadeyle eğitim, modelin ham tek yapıdan işlevsel tek sisteme dönüşmesini sağlar.
Eğitim öncesinde tek yapay zekâ modeli, aslında katmanlardan ve rastgele atanmış sayısal değerlerden oluşan matematiksel tek yapıdan ibarettir. Modelin gerçek manada “öğrenmesi”, bununla birlikte veriyle tesirleşime girdikten sonraları gerçekleşir. Bu tesirleşim sayesinde sistem, kesin hedeflere ulaşacak şekilde çıktıları uyarlamayı öğrenir. Örneğin tek model, görsellerdeki nesneleri tanıyabilir ya da verilen tek emir elverişli metinleri üretebilir.
Her yapay zekâ sistemi eğitim lüzumtirmez. Kural tabanlı sistemler, önceden tanımlanmış talimatlara göre çalıştıkları için veriyle öğrenme sürecine ihtiyaç duymaz. Ancak bu tür sistemler, öğrenebilen modellere kıyasla daha sınırlı esneklik sunar.
Eğitim süreci genelleme yüksek maliyetlidir. Büyük bilgi setleri, güçlü donanımlar ve yoğun hesaplama lüzumtirir. Bu nedenle oğullar yıllarda daha tesirli yöntemler geliştirilmiştir. Örneğin hibrit yaklaşımlar, kaide tabanlı sistemlerle bilgi odaklı inceliği regülasyon süreçlerini birleştirerek dahaaz bilgi ve imkan kullanımıyla modeller geliştirmeyi mümkün kılar. Bu tür yöntemler, hem maliyetleri düşürür hem da geliştirme sürecini hızlandırır.
17. Token’lar (Tokens)
nsan ve alet arasındaki iletişimde ilköğretim güçluk, ikisi tarafın farklı “diller” kullanmasıdır. İnsanlar doğal diller ile iletişim kurarken, yapay zekâ sistemleri veriye dayalı algoritmalar üzerinden çalışır. Bu noktada “token” kavramı, ikisi dünya arasında köprü görevi görür. Token’lar, büyük diller modellerinin (LLM) işleyebileceği en küçük manalı bilgi parçalarıdır ve hem kullanıcı girdilerini hem da modelin ürettiği çıktıları temsilcilik eder.
Token’lar, “tokenization” adı verilen tek süreçle oluşturulur. Bu süreçte ham metin, modelin anlayabileceği küçük ve ayrık birimlere bölünür. Bu mekanizma, insanoğlu dilinin yapay zekâ tarafından işlenebilir hale getirilmesini sağlar. Bir manada, yazılım derleyicilerinin insanoğlu dilini alet koduna çevirmesine benzer şekilde, tokenization da kullanıcı girdilerini modelin anlayabileceği formata dönüştürür.
Farklı token türleri bulunur. Girdi token’ları, kullanıcının modele sunduğu metni temsilcilik eder. Çıktı token’ları, modelin verdiği yanıtı oluşturur. Daha karmaşık işlemlerde ise “reasoning token” olarak adlandırılan ve daha yoğun hesaplama lüzumtiren ara süreçler devreye girer.
Kurumsal yapay zekâ kullanımında token’lar yalnızca teknikleri tek bileşen değil, aynı zamanda maliyetin belirleyicisidir. Çünkü işlenen bilgi miktarı doğrudan token sayısıyla ölçülür. Bu nedenle birçok yapay zekâ hizmeti, kullanım ücretini token bazlı olarak belirler. Kullanılan token sayısı arttıkça, servis maliyeti da paralel şekilde yükselir.
18. Transfer Öğrenme (Transfer Learning)
Transfer learning, daha önce eğitilmiş tek yapay zekâ modelinin, farklı bununla birlikte genelleme ilişkili tek görev için başlangıç noktası olarak kullanılması yöntemidir. Bu yaklaşım, modelin önceki eğitim sürecinde edindiği malumat ve kalıpların yepyeni sualne aktarılmasını sağlar.
Bu teknik, modeller geliştirme sürecini hızlandırarak önemli randıman avantajları sunar. Özellikle bilgi miktarının sınırlı olduğu durumlarda, sıfırdan tek modeller eğitmek seçenek şimdiki tek modeli uyarladı daha tesirli tek çözüm olabilir. Böylece hem zamanlar hem da hesaplama maliyetleri azaltılır.
Ancak transferleri learning’in bazı sınırlamaları da bulunur. Önceden eğitilmiş tek model, yepyeni görev için yeterince elverişli değilse ilave eğitim süreçlerine ihtiyaç duyabilir. Özellikle hedeflenen saha daha spesifik ve uzmanlık lüzumtiriyorsa, modelin bu alanda yüksek icra gösterebilmesi için ilave bilgi ve inceliği regülasyon çalışmaları yapılması lüzumir.
19. Ağırlıklar (Weights)
Ağırlıklar, yapay zekâ modellerinin eğitim sürecinde en belirleyici unsurlardan biridir. Modelin, bilgi içindeki farklı özelliklere ne ölçüde önem vereceğini belirleyerek üretilen çıktının doğrudan şekillenmesini sağlar. Daha teknikleri tek ifadeyle ağırlıklar, modelin bilgi setindeki hangi değişkenleri daha manalı gördüğünü tanımlayan sayısal parametrelerdir. Bu parametreler, giriş verileriyle çarpılarak modelin şart mekanizmasına tesir eder. Eğitim süreci genelleme rastgele atanmış ağırlıklarla başlar. Ancak model, hedeflenen sonuca daha yakın çıktılar üretmeye çalıştıkça bu değerler sürekli güncellenir ve optimize edilir.
Örneğin, tek bölgede başlıkt fiyatlarını öngörü etmek üzere eğitilen tek model; bölme sayısı, banyo sayısı, mülkün tipi, otopark ya da depo gibi faktörlere farklı ağırlıklar atayabilir. Bu ağırlıklar, her arasında biri tek değişkenin bedel üzerindeki tesirsini temsilcilik eder ve modelin öngörü gücünü belirler. Sonuç olarak ağırlıklar, tek yapay zekâ modelinin neyi “önemli” gördüğünü belirleyen ilköğretim yapı taşlarıdır. Modelin doğruluğu ve performansı, büyük ölçüde bu parametrelerin ne kadar doğru öğrenildiğine bağlıdır.
Yapay zeka dünyası her arasında biri geçen gün yepyeni terimlerle genişliyor. AGI’den halüsinasyona, LLM’den çıkarıma kadar bu kavramları kavramak, teknolojinin nereye evrildiğini takipetti için artık tek ihtiyaç haline geldi. Bu sözlük, ilköğretim terimleri yalın ve anlaşılır tek dille açıklayarak okuyucuların karmaşık yapay zeka ekosisteminde kaybolmasını manilemeyi hedefliyor.
English (US) ·